MACHINE LEARNING DRIVEN CROP YIELD PREDICTION AND AGRICULTURE DECISION SUPPORT SYSTEM USING HISTORICAL WEATHER, SOIL AND SATELLITE DATA FOR INDIAN FARMERS

方法

融合气象、土壤、NDVI与县域相似网络特征，用随机森林和XGBoost建模，SH

发现

多源融合与县域相似特征可同时弥补现有研究的四类空白，并支持可解释的作物推荐。

机会点

可探索县域相似网络特征在其他作物区的迁移性，及置信度评分对推荐采纳率的影响。

准确且可供农民使用的作物产量预测在印度农业中仍是一个未解决的问题，因为降雨、温度、湿度和土壤肥力在各地区之间差异显著，而大多数已发表的机器学习（ML）解决方案仅在粗略的邦级层面进行训练和验证，且仅使用两到三个输入变量。本文提出了一种地区级多源数据融合框架，用于作物产量预测和农业决策支持，融合了历史气象记录、土壤健康卡参数（氮、磷、钾、pH、有机碳）、卫星反演植被指数（NDVI）以及一种新颖的地区相似性网络特征。提出随机森林和XGBoost回归器作为核心预测引擎，并辅以基于SHAP的可解释性层和反映特定地区-作物组合历史数据密度的置信度评分机制。训练后的模型被复用于根据农民特定土壤和气象剖面为候选作物排序，生成可操作的作物推荐。该流程实现为一个已部署系统，包含Flask REST API、MySQL持久化层、Streamlit仪表板和规则辅助聊天机器人。对二十九项研究的结构化调查识别出已有工作中四个反复出现的空白，而所提出的架构旨在同时弥补全部四个空白。